Ai2 发布 FairStress 基准，评测 LLM 决策中的群体公平性
Ai2 发布 FairStress 基准，用于衡量 LLM 在招聘、贷款、医疗等决策中超越最终选择的群体公平性，并已集成进 Olmo-eval。该基准包含 300 个双候选人场景、29 个领域，组合身份呈现方式与对抗性前缀后扩展出超 1300 万个测试用例，另提供 5 万条的 FairStress-Core 子集。
#评测/基准
Hugging Face BlogAI 评分5858
Hugging Face BlogAI 评分5858 ALTK-Evolve 用学习到的记忆让 GPT-4.1 客服智能体登顶 τ²-bench 零售榜
IBM Research 在 Hugging Face 博客介绍 ALTK-Evolve：它用 GPT-4.1 分析智能体在训练任务上的成功与失败轨迹，蒸馏出简短行为准则并追加到系统提示词，无需更新模型权重或人工标注。
Google Research精选AI 评分6262 Google 发布地理空间推理智能体技术报告并扩大 Earth AI 早期访问
Google 发布 Geospatial Reasoning 智能体技术报告，在四个基准上对比独立 LLM、基础工具、Earth AI 工具和完整规划智能体四种配置，并新开源 GeoKTools 与 GeoExpertQueries 两个基准的开发集。
推荐理由：技术报告用四个基准对比四种配置，量化了领域工具与前置规划对地理空间推理的增益。
Import AIAI 评分3030 Import AI 476：创造力与递归自我改进、逊于中国的开源权重模型、AI 走向太空
Import AI 476 期聚焦三项进展：Elorian 与 Scale AI 发布 Humanity's Sixth Sense 基准，含 522 道题、288 张图和 234 段视频，人类 pass@1 达 93.1，最佳模型 GPT 6 Astra 仅 53.6，GLM-5.3-flash 与 Kimi K3 分别只有 26.8 和 25.5。
GitHub Blog · AI & MLAI 评分5858 GitHub 发布 AI 代码审查开放基准 ReviewBench
GitHub 发布 AI 代码审查开放基准 ReviewBench，基于 1.039 亿个 GitHub PR 的分布特征，构建了覆盖 19 种语言、219 个公开 PR 的评测集。